KR20220133579A - 열차의 잔여유효수명 예측 장치 및 방법 - Google Patents

열차의 잔여유효수명 예측 장치 및 방법 Download PDF

Info

Publication number
KR20220133579A
KR20220133579A KR1020210038870A KR20210038870A KR20220133579A KR 20220133579 A KR20220133579 A KR 20220133579A KR 1020210038870 A KR1020210038870 A KR 1020210038870A KR 20210038870 A KR20210038870 A KR 20210038870A KR 20220133579 A KR20220133579 A KR 20220133579A
Authority
KR
South Korea
Prior art keywords
useful life
data
record file
remaining useful
train
Prior art date
Application number
KR1020210038870A
Other languages
English (en)
Other versions
KR102515216B1 (ko
Inventor
안젤라
임완수
Original Assignee
금오공과대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 금오공과대학교 산학협력단 filed Critical 금오공과대학교 산학협력단
Priority to KR1020210038870A priority Critical patent/KR102515216B1/ko
Publication of KR20220133579A publication Critical patent/KR20220133579A/ko
Application granted granted Critical
Publication of KR102515216B1 publication Critical patent/KR102515216B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

열차의 잔여유효수명 예측 장치 및 방법이 개시된다. 본 발명의 열차의 잔여유효수명 예측 장치는 열차운행기록파일과 열차 운행시 발생되는 고장에 대한 고장기록파일을 이용하여 기 설정된 시간 단위로 학습용 잔여유효수명을 생성하는 학습 데이터 생성부; 및 상기 열차운행기록파일과 상기 고장기록파일 내 데이터와 상기 학습 데이터 생성부에 의해 생성된 학습용 잔여유효수명을 토대로, 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 잔여유효수명 예측부를 포함하는 것을 특징으로 한다.

Description

열차의 잔여유효수명 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING REMAINING USEFUL LIFE OF TRAIN}
본 발명은 열차의 잔여유효수명 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 TCMS(Train Control and Monitoring System; 열차종합제어장치)를 통해 수집된 각종 데이터를 이용하여 열차의 잔여유효수명(Remaining Useful Life;RUL)을 측정하는, 열차의 잔여유효수명 예측 장치 및 방법에 관한 것이다.
일반적으로 열차는 고압(AC 25000V, DC 1500V)의 전원을 이용하여 동력을 얻고, 이 동력은 열차의 각 계전기 또는 모터 등에서 요구되는 전원으로 변환되고, 변환된 각 계전기 또는 모터 등의 모든 장치와 부품들을 전기적으로 연결한다. 이렇게 구성된 열차는 양측단에 마련된 운전석의 계기판에 구비된 각 기능을 조작하여 열차를 운행하게 된다.
이러한 열차는 예를 들어 추진장치, 보조 전원장치, 제동장치 등의 기능 및 고장 여부, 부품 교환시기 등을 종합적으로 검사하기 위해서 별도의 검사창에 열차를 입고시킨 후에, 각종 검사장비를 이용하거나, 검사자가 수작업으로 검사 및 점검을 하여 열차를 검사하였다.
본 발명의 배경기술은 대한민국 등록특허공보 10-2146168호(2020.08.12)의 '자동열차제어장치 디코더보드 부품의 잔여수명 확인시스템 및 그것을 이용한 디코더보드 관리방법'에 개시되어 있다.
본 발명의 일 측면에 따른 목적은 열차운행기록파일과 고장기록파일의 속성과 잔여유효수명(Remaining Useful Life;RUL) 간의 관계를 기계학습 모델을 통해 학습하고, 이 기계학습 모델을 토대로 새롭게 측정된 속성에 대한 잔여유효수명을 예측하는 열차의 잔여유효수명 예측 장치 및 방법을 제공하는 데 있다.
본 발명의 일 측면에 따른 열차의 잔여유효수명 예측 장치는 열차운행기록파일과 열차 운행시 발생되는 고장에 대한 고장기록파일을 이용하여 기 설정된 시간 단위로 학습용 잔여유효수명을 생성하는 학습 데이터 생성부; 및 상기 열차운행기록파일과 상기 고장기록파일 내 데이터와 상기 학습 데이터 생성부에 의해 생성된 학습용 잔여유효수명을 토대로, 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 잔여유효수명 예측부를 포함하는 것을 특징으로 한다.
본 발명의 상기 학습 데이터 생성부는 TCMS(Train Control and Monitoring System)로부터 상기 열차운행기록파일과 상기 고장기록파일을 수집하는 데이터 수집부; 상기 열차운행기록파일과 상기 고장기록파일의 데이터를 판독 가능한 형태의 데이터로 변환하는 데이터 전처리부; 상기 전처리부에 의해 전처리된 상기 열차운행기록파일과 상기 고장기록파일의 데이터에서 실제 운용되지 않는 데이터를 제거하는 데이터 필터링부; 및 상기 데이터 필터링부에 의해 필터링된 상기 열차운행기록파일과 상기 고장기록파일의 데이터를 이용하여 상기 학습용 잔여유효수명을 검출하는 잔여유효수명 검출부를 포함하는 것을 특징으로 한다.
본 발명의 상기 잔여유효수명 검출부는 상기 열차운행기록파일과 상기 고장기록파일의 고장 발생 시간 및 고장 간격에 대한 정보를 이용하여 상기 학습용 잔여유효수명을 생성하는 것을 특징으로 한다.
본 발명의 상기 잔여유효수명 예측부는 기 설정된 시간 단위별로 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 훈련용 데이터와 상기 학습 데이터 생성부에 의해 생성된 상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 통해 학습하는 것을 특징으로 한다.
본 발명의 상기 잔여유효수명 예측부는 상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 학습한 후, 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 테스트용 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 한다.
본 발명의 상기 잔여유효수명 예측부는 상기 기계학습 모델의 상기 학습에서 얻은 가중치를 이용하여 테스트 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 한다.
본 발명의 상기 잔여유효수명 예측부는 상기 훈련용 테이터와 상기 테스트용 데이터를 기 설정된 설정범위로 구분하고, 상기 훈련용 데이터와 상기 테스트용 데이터의 평균과 단위분산을 '0'으로 변환하여 상기 기계학습 모델을 구축하여 상기 기계학습 모델의 수렴 속도를 증가시키는 것을 특징으로 한다.
본 발명의 일 측면에 따른 열차의 잔여유효수명 예측 방법은 학습 데이터 생성부가 열차운행기록파일과 열차 운행시 발생되는 고장에 대한 고장기록파일을 이용하여 기 설정된 시간 단위로 학습용 잔여유효수명을 생성하는 단계; 및 잔여유효수명 예측부가 상기 열차운행기록파일과 상기 고장기록파일 내 데이터의 데이터와 상기 학습 데이터 생성부에 의해 생성된 학습용 잔여유효수명을 토대로, 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 상기 학습용 잔여유효수명을 생성하는 단계는 TCMS(Train Control and Monitoring System)로부터 상기 열차운행기록파일과 상기 고장기록파일을 수집하는 단계; 상기 열차운행기록파일과 상기 고장기록파일의 데이터를 판독 가능한 형태의 데이터로 전처리하는 단계; 상기 열차운행기록파일과 상기 고장기록파일의 데이터에서 실제 운용되지 않는 데이터를 제거하는 단계; 및 상기 열차운행기록파일과 상기 고장기록파일의 데이터를 이용하여 상기 학습용 잔여유효수명을 검출하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 상기 학습용 잔여유효수명을 검출하는 단계는, 상기 열차운행기록파일과 상기 고장기록파일의 고장 발생 시간 및 고장 간격에 대한 정보를 이용하여 상기 학습용 잔여유효수명을 생성하는 것을 특징으로 한다.
본 발명의 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는, 기 설정된 시간 단위별로 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 훈련용 데이터와, 상기 학습 데이터 생성부에 의해 생성된 상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 통해 학습하는 것을 특징으로 한다.
본 발명의 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는, 상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 학습한 후, 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 테스트용 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 한다.
본 발명의 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는, 상기 기계학습 모델의 상기 학습에서 얻은 가중치를 이용하여 테스트 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 한다.
본 발명의 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는, 상기 훈련용 데이터와 상기 테스트용 데이터를 기 설정된 설정범위로 구분하고, 상기 훈련용 데이터와 상기 테스트용 데이터의 평균과 단위분산을 '0'으로 변환하여 상기 기계학습 모델을 구축하여 상기 기계학습 모델의 수렴 속도를 증가시키는 것을 특징으로 한다.
본 발명의 일 측면에 따른 열차의 잔여유효수명 예측 장치 및 방법은 열차운행기록파일과 고장기록파일의 속성과 잔여유효수명(Remaining Useful Life;RUL) 간의 관계를 기계학습 모델을 통해 학습하고, 이 기계학습 모델을 토대로 새롭게 측정된 속성에 대한 잔여유효수명을 예측한다.
본 발명의 다른 측면에 따른 열차의 잔여유효수명 예측 장치 및 방법은 기계학습 모델을 토대로 열차의 잔여유효수명을 예측하여 열차의 운행 및 고장 관리를 체계적이고 효과적으로 수행할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 장치의 블럭 구성도이다.
도 2 는 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 방법의 순서도이다.
도 3 은 본 발명의 일 실시예에 따른 잔여유효수명의 예시도이다.
도 4 는 본 발명의 일 실시예에 따른 잔여유효수명 정규식 유도 방식을 나타낸 도면이다.
도 5 는 본 발명의 일 실시예에 따른 잔여유효수명 예측부의 블럭 구성도이다.
도 6 은 본 발명의 일 실시예에 따른 기계학습 모델의 구조도이다.
도 7 내지 도 18 은 본 발명의 일 실시예에 따른 사용자 인터페이스 화면의 예시도이다.
이하에서는 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1 은 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 장치의 블럭 구성도이다.
도 1 을 참조하면, 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 장치는 학습 데이터 생성부(10) 및 잔여유효수명 예측부(20)를 포함한다.
학습 데이터 생성부(10)는 열차운행기록파일(OPER)과 열차 운행시 발생되는 고장에 대한 고장기록파일(ARM)을 이용하여 기 설정된 시간 단위로 학습용 잔여유효수명을 생성한다.
학습 데이터 생성부(10)는 TCMS(Train Control and Monitoring System)로부터 열차운행기록파일과 고장기록파일을 수집하는 데이터 수집부(11), 열차운행기록파일과 고장기록파일의 데이터를 판독 가능한 형태의 데이터로 변환하는 데이터 전처리부(12), 전처리부에 의해 전처리된 열차운행기록파일과 고장기록파일의 데이터에서 에러 데이터를 제거하는 데이터 필터링부(13), 및 데이터 필터링부(13)에 의해 필터링된 열차운행기록파일과 고장기록파일의 데이터를 이용하여 학습용 잔여유효수명을 검출하는 잔여유효수명 검출부(14)를 포함한다.
잔여유효수명 예측부(20)는 열차운행기록파일과 고장기록파일 내 데이터의 속성과 학습 데이터 생성부(10)에 의해 생성된 학습용 잔여유효수명을 토대로, 새롭게 측정된 속성에 대한 잔여유효수명(Remaining Useful Lifetime;RUL)을 기계학습 모델을 통해 예측한다.
이하 열차의 잔여유효수명 예측 방법을 상세하게 설명한다.
도 2 는 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 방법의 순서도이다.
먼저, 데이터 수집부(11)는 TCMS로부터 열차운행기록파일과 고장기록파일을 수집한다(S10).
열차운행기록파일은 열차 운행시 발생하는 열차 상태 데이터를 저장한다. 열차운행기록파일에 저장되는 열차 상태 데이터에는 열차운행에 따른 전압, 전류, 운행거리, 차량에 탑승한 승객 무게 등이 포함될 수 있으며, 이에 특별히 한정되는 것은 아니다. 여기서, 열차 상태 데이터는 지하철 또는 열차의 종류 등에 따라 서로 상이하며, 예컨대, 1500 내지 2500개 정도이다.
고장기록파일은 열차 운행시 열차에 고장이 발생될 경우 수집되는 고장 데이터를 저장한다. 고장기록파일의 고장 데이터에는 시점의 날짜와 시간 정보, 고장코드, 고장이 발생한 차량번호 등이 포함될 수 있으며, 이에 특별히 한정되는 것은 아니다.
참고로, 본 실시예에서는 데이터 수집부(11)가 열차운행기록파일과 고장기록파일을 TCMS로부터 수집하는 것을 예시로 설명하였으나, 이에 한정되는 것은 아니며, 기타 열차 운행을 관리하는 시스템이나 서버 등으로부터도 얻을 수 있다.
데이터 전처리부(12)는 데이터 수집부(11)에 의해 수집된 열차운행기록파일과 고장기록파일의 데이터를 전처리한다(S20).
즉, 데이터 전처리부(12)는 열차운행기록파일과 고장기록파일의 원시 데이터에서 사람이 판독할 수 있는 데이터로 변환한다. 데이터 전처리부(12)는 기존 16진수에서 사람이 읽을 수 있는 10진수로 변환하며, 열차운행기록파일과 고장기록파일의 데이터를 csv 파일로 변환한다.
데이터 필터링부(13)는 전처리부에 의해 전처리된 열차운행기록파일과 고장기록파일의 데이터에서 실제 운용되지 않는 데이터를 필터링한다(S30). 예컨대, 데이터 필터링부(13)는 데이터 순서를 재배치하거나 잘못된 열차번호 등을 제거할 수 있다. 데이터 필터링부(13)에 의해 필터링되는 데이터는 열차의 종류나 호선 등에 따라 상이할 수 있다.
잔여유효수명 검출부(14)는 데이터 필터링부(13)에 의해 필터링된 열차운행기록파일과 고장기록파일의 데이터를 이용하여 학습용 잔여유효수명을 검출한다(S40).
학습용 잔여유효수명은 후술하는 잔여유효수명 예측부(20)에 탑재된 기계학습 모델의 학습 데이터로 이용될 수 있다.
설명의 편의를 위해, 잔여유효수명 검출부(14)에 의해 검출되어 학습 데이터로 사용되는 잔여유효수명을 학습용 잔여유효수명이라 하여, 잔여유효수명 예측부(20)에 의해 예측된 잔여유효수명과 구분한다.
학습 데이터는 잔여유효수명 예측부(20)에 탑재된 기계학습 모델의 학습에 사용되는 데이터이다. 학습 데이터에는 열차운행기록파일과 고장기록파일의 데이터, 및 학습용 잔여유효수명이 포함될 수 있다.
열차운행기록파일과 고장기록파일의 데이터는 훈련용 데이터와 테스트용 데이터로 구분될 수 있다. 훈련용 데이터는 기계학습 모델의 훈련에 사용되는 데이터이고, 테스트용 데이터는 기계학습 모델의 테스트에 사용되는 데이터이다.
잔여유효수명 검출부(14)는 열차운행기록파일과 고장기록파일의 데이터 중 고장 발생 기간 및 고장 간격을 이용하여 학습용 잔여유효수명을 기 설정된 시간 단위, 예를 들어 1초 단위로 검출한다. 이에 따라, 학습용 잔여유효수명은 다수 개가 검출될 수 있다.
도 3 에는 잔여유효수명의 예가 도시되었다. 도 3 의 그래프에서, x축은 시간을 나타내고 y축은 잔여유효수명을 나타내며, 잔여유효수명이 0이면 결함 발생을 나타낸다.
도 3 을 참조하면, 잔여유효수명과 관련하여 다음과 같은 특성이 있음을 알 수 있다.
첫째, 잔여유효수명은 시간에 따라 변하므로, 시계열과 동일하게 간주할 수 있다. 도 3 의 각 점에는 시간에 관한 잔여유효수명이 있다.
둘째, 잔여유효수명은 시간이 증가함에 따라 선형적으로 저하될 수 있다. 즉, 고장 발생 시간에 근접할 때까지 잔여유효수명은 일정하게 감소한다.
셋째, 잔여유효수명은 결함의 발생에 따라 달라지며, 이전의 결함 발생에 영향을 받지 않는다.
넷째, 두 시점 t2와 t3의 잔여유효수명은 0이다. 따라서, 시점 t2와 t3에서 열차에 고장이 발생했음을 알 수 있다.
다섯째, 고장발생 시점에서는 0(잔여유효수명), 및 다음 고장발생에 대한 잔여유효수명(잔여유효수명이 '0'이 아닌 값)을 가진다. 즉, t2는 ① 0과 ② t3-t2라는 두 개의 잔여유효수명을 가진다.
이를 토대로 도 4 에 도시된 정규식 도출 과정을 이끌어 낼 수 있다.
두 개의 연속된 고장발생 지점을 이용하여 학습용 잔여유효수명의 정규식을 도출할 수 있다.
예를 들어, Trial 1에서는 첫 번째 고장발생 지점(t1, t2-t1)과, 다음 고장발생 지점(t1, t2-t1)의 과정이 도시되었다.
Trial 2에서는 첫 번째 고장발생 지점(t3, t3-t2)와, 다음 고장발생 지점(t3,0)의 과정이 도시되었다.
이때, 시간 tn에 대한 정규식은 Trial 1, Trial 2와 같이 첫 번째 고장발생 시간인 지점(tn,0)과 다음 고장발생 지점인 (tn-1, tn-tn- 1)를 사용하여 구할 수 있다.
정규식은 아래의 수학식 1과 같다.
Figure pat00001
여기서, y는 잔여유효수명(학습용 잔여유효수명)이며, x는 현재 시간이다. 예를 들어, 시간 τ에서의 잔여유효수명은 아래의 수학식 2와 같다.
Figure pat00002
잔여유효수명(학습용 잔여유효수명)의 계산에 대한 의사코드로 고장발생 지점과 운행시간에 대한 정보를 추출하고, 각 운행시간에서 가장 가까운 선행 고장발생 시간과 차이를 구할 수 있다.
이어, 잔여유효수명 예측부(20)는 기 설정된 시간 단위별로 열차운행기록파일과 고장기록파일 내 열차 시스템의 훈련용 데이터와, 학습 데이터 생성부(10)에 의해 생성된 학습용 잔여유효수명 간의 관계를 기계학습 모델을 통해 학습한다. 또한, 잔여유효수명 예측부(20)는 열차운행기록파일과 고장기록파일 내 열차 시스템의 테스트용 데이터를 입력으로 하여 기계학습 모델을 테스트한다(S50).
도 5 는 본 발명의 일 실시예에 따른 잔여유효수명 예측부의 블럭 구성도이고, 도 6 은 본 발명의 일 실시예에 따른 기계학습 모델의 구조도이다.
도 5 및 도 6 을 참조하면, 잔여유효수명 예측부(20)의 잔여유효수명 예측은 훈련(TRAINING)과 시험(TESTING)으로 구분될 수 있다.
① train x는 열차운행기록파일과 고장기록파일로부터 얻은 데이터(Attribute 1 ~ Attribute n;속성)다. 데이터들은 열차 시스템의 상태를 반영하는 것으로서, 열차 시스템의 상태는 고장 상태를 포함한다. 본 실시예에서는 다음 고장발생 전 시간을 예측한다.
② train y는 잔여유효수명 검출부(14)에 의해 검출된 train x 각각의 데이터에 대한 잔여유효수명(학습용 잔여유효수명)(RUL)이다. 잔여유효수명(학습용 잔여유효수명)은 데이터가 측정되는 시간과 다음 고장발생 시간 사이의 시간을 나타낸다.
③ 기계학습 모델에 도시된 바와 같이, 열차운행기록파일과 고장기록파일로부터 얻은 데이터(속성)(학습용 데이터)과 학습용 잔여유효수명 사이의 관계를 DNN 모델에 의해 학습한다.
이어, 잔여유효수명 예측부(20)는 테스트용 데이터를 입력으로 하여 기계학습 모델을 통해 잔여유효수명을 예측하도록 훈련한다.
④ test x는 기계학습 모델을 테스트하기 위한 테스트용 데이터이다.
⑤ 기계학습 모델의 훈련에서 얻은 가중치를 이용하여 출력되는 잔여유효수명이다. 이와 같이, 예측된 잔여유효수명과 실제 잔여유효수명을 비교하여 DNN 모델의 정확도가 결정될 수 있다.
즉, 타임 도메인별로 열차운행기록파일과 고장기록파일로부터 얻은 데이터(Attribute 1 ~ Attribute n;속성), 및 학습용 잔여유효수명이 저장된다.
잔여유효수명 예측부(20)는 상기한 열차운행기록파일과 고장기록파일로부터 얻은 데이터(속성)를 훈련용 데이터과 테스트용 데이터로 구분한다. 이 경우, 훈련용 데이터는 전체 데이터의 80%로 설정되고, 테스트용 데이터는 전체 데이터의 20%로 설정될 수 있다.
이 경우 잔여유효수명 예측부(20)는 기계학습 모델이 수렴 속도가 증가되도록 열차운행기록파일과 고장기록파일로부터 얻은 데이터(속성)를 표준화한다. 데이터의 표준화는 데이터의 추세나 행동을 변경하지 않고 데이터 집합을 평균과 단위 분산이 0인 값으로 변환하는 과정이다.
이후, 잔여유효수명 예측부(20)는 기계학습 모델의 아키텍처를 구축한다. 이에, 기계학습 모델은 시계열 데이터 집합(열차운행기록파일과 고장기록파일로부터 얻은 데이터(속성)와 잔여유효수명 사이의 관계를 추출하는 데 사용될 수 있다.
이에, 잔여유효수명 예측부(20)는 기 설정된 시간 단위별로 열차운행기록파일과 고장기록파일 내 열차 시스템의 훈련용 데이터와, 학습 데이터 생성부(10)에 의해 생성된 학습용 잔여유효수명 간의 관계를 기계학습 모델을 통해 학습한다.
또한, 잔여유효수명 예측부(20)는 열차운행기록파일과 고장기록파일 내 열차 시스템의 테스트용 데이터를 입력으로 하여 기계학습 모델을 테스트한다.
마지막으로, 잔여유효수명 예측부(20)는 새롭게 측정된 데이터에 대한 잔여유효수명을 상기한 바와 같이 구축된 기계학습 모델을 이용하여 예측한다(S60).
이하, 사용자 인터페이스를 구현한 예를 설명한다.
도 7 내지 도 18 은 본 발명의 일 실시예에 따른 사용자 인터페이스 화면의 예시도이다.
참고로, 아래에 구현된 사용자 인터페이스 화면은 잔여유효수명 예측을 위한 사용자 인터페이스 화면의 일 예로서 아래에 기재된 실시예로 한정되는 것은 아니며, 다양한 형태로 구현될 수 있다.
사용자 인터페이스(UI)의 폴더 구조는 bin, resource, weight, oper.py, predict.py, train_project.py, 및 train_project_ui.ui로 이루어질 수 있다. 사용자 인터페이스 폴더 구조는 학습된 자료와 UI를 구성하는 디자인 프레임워크로 나누어져 있다.
bin은 실제 학습에 사용한 스칼라(Scaler)의 값을 가지고 있는 bin 파일을 가지는 폴더로, 각 고장 코드별 스칼라 값이 분리되어 있어 잔여유효수명 예측에 사용될 수 있다.
resource는 사용자 인터페이스 구현에 필요한 디자인적 요소와 데이터 로드에 필요한 column 값이 저장되어 있다.
weight는 학습이 완료된 기계학습 모델의 가중치(weight) 값을 가지고 있는 위치이며 각 고장 코드별로 내부 폴더에 구분되어 있어 잔여유효수명 예측에 사용될 수 있다.
oper.py는 열차 상태 정보를 가지는 oper 파일과 관련된 기능을 수행하는 모듈로, 대표적으로 RUL 예측에 사용될 raw 데이터를 변환(byte -> decimal)할 수 있도록 한다.
predict.py는 가중치(weight)와 스칼라(scaler)를 이용하여 데이터를 로드하여 RUL 예측기능을 수행하도록 한다.
train_project.py는 사용자 인터페이스를 실제 동작하도록 하는 main process로 상기 서술된 프로젝트 구성 파일들을 이용한다.
train_project_ui.ui는 사용자 인터페이스를 구성하는 디자인 및 프레임워크이다.
도 7 은 사용자 인터페이스 화면 구성 예이다.
도 7 을 참조하면, 사용자 화면은 Prediction(①)과 Transform(②)으로 구성된다.
도 7 은 프로그램의 고장 예지 기능을 수행하는 Prediction 탭의 기능을 실행한 후의 화면으로, 각 파트별 역할에 대한 설명은 다음과 같다.
① Prediction 탭 버튼은 프로그램의 메인화면을 현재 화면인 Prediction 화면으로 전환하는 버튼이며, 활성화된 화면일 경우 그림처럼 버튼의 색상이 메인 화면의 색으로 표시된다.
② Transform 탭 버튼은 프로그램의 메인화면을 Transform 화면으로 전환하는 버튼이며, 비활성화된 화면일 경우 도시된 바와 같이 버튼의 색상이 배경의 색상으로 표시된다.
③ 운행 파일 정보 파트는 해당 파트에서 잔여유효수명 예측이 필요한 oper 파일을 선택한 후, 해당하는 열차 호선을 선택하도록 한다. 운행 파일 정보 파트는 해당 작업을 진행하면 고장 코드 선택 파트가 각 호선에 따라 활성화되고, 고장코드 선택 후 Predict 버튼 클릭으로 고장 예지를 실행할 수 있도록 한다.
④ 고장 코드 선택 파트는 ③ 운행 파일 정보 파트의 작업을 진행하면 활성화되는 파트로, 예를 들어, 2호선의 경우 [11, 104, 212, 304, 501]의 5개 고장코드, 7호선의 경우는 [35, 130, 443, 641, 684 ,703, 704, 705, 706, 707, 710, 711, 740]의 13개 고장코드 중 RUL 예측이 필요한 고장코드를 선택할 수 있도록 한다.
⑤ 고장 예지 정보 파트는 고장 예지 실행 후 표출되는 화면으로 고장코드(Code), 초 단위 RUL, 시간단위 RUL의 3개 컬럼으로 구성된 테이블이 생성되도록 하며, 해당 화면에서 특정 고장코드에 대한 열을 클릭하여 ⑥ 세부 고장 유형 정보 파트 탭을 활성화하여 사용자가 내용을 확인할 수 있도록 한다.
⑥ 세부 고장 유형 정보 파트는 고장 예지 정보 파트에서 특정 고장코드를 포함한 열을 선택하였을 때 활성화되는 파트로, 선택한 고장코드에 대해 고장 내역, 고장 유형, 조치 내용의 3개 내용으로 구성된다. 고장 내역의 경우 해당 고장코드의 실제 고장 내용을 나타내며, 고장 유형은 해당 고장의 유형(출입문, 컴퓨터 장치 등)에 대한 정보를 표출한다. 조치 내용은 정비지침서를 바탕으로 해당 고장에 대한 조치 내용을 나타낸다.
⑦ Graph 파트는 측정된 RUL을 막대그래프 형태로 나타내주는 파트로, 각 고장 코드에 따라 시간(hour) 단위의 값을 분리된 막대 형태로 나타낸다.
⑧ 고장원인 추정 파트는 고장 예지 정보 파트에서 특정 고장코드를 포함한 열을 선택하였을 때 활성화되는 파트로, 선택한 고장코드에 대한 추정원인들로 구성된다. 상단에서부터 순서대로 고장현상, 고장유형, 고장원인, 조치, 발생확률로 구성한다. 유지보수 기록에 관한 엑셀의 내용을 기반으로 고장 원인을 추정하고, 발생확률 계산은 고장 원인별 빈도를 확인하여 계산한다.
다음으로 잔여유효수명 예측을 위한 동작 순서를 사용자 인터페이스 화면을 토대로 설명한다.
도 8 은 Prediction 첫 화면이며, 프로그램 초기 실행 시 표출되는 화면이다. 도 8 의 화면에서, Oper 버튼을 눌러 고장 예지를 원하는 oper 파일을 불러 올 수 있다.
도 9 는 oper 파일 선택 화면이며, Oper 버튼을 누른 뒤의 화면이다. 사용자가 oper 파일이 존재하는 폴더의 경로로 이동하여 해당 폴더 내에 있는 oper 파일을 선택하여 다음 단계를 진행할 수 있도록 한다.
도 10 은 열차 호선 결정 화면이며, oper 파일을 불러온 이후 사용자가 해당 파일에 맞는 호선을 선택한 후의 화면이다. 도 10 의 화면에서, 고장코드 선택 레이어가 활성화된다.
도 11 은 고장코드 선택 화면이며, 사용자가 고장코드 레이어의 예측을 원하는 고장코드를 선택한 화면이다. 도 11 은 7호선의 예시로, 35/130/443/641/704/740의 6개 코드가 선택되는 것이 도시되었다.
도 12 는 고장 예지 실행 화면이며, 사용자가 고장코드 선택 후 Predict 버튼을 눌러 고장 예측을 실행한 후의 화면이다. 도 12 의 화면에서, 예측결과 레이어가 활성화되었으며, 해당 레이어에서 각 고장코드 별로 초 단위 및 시간 단위의 잔여유효수명이 확인 가능하다. 또한, 그래프(Graph) 레이어가 활성화되었으며, 해당 레이어에서 각 고장코드 별로 초 단위의 잔여유효수명을 시각화한 막대그래프가 화면에 표출됨으로써, 잔여유효수명을 비교하여 확인할 수 있다.
도 13 은 고장코드 선택 화면이며, 사용자가 예측결과 레이어의 확인을 원하는 고장코드 열을 선택한 화면이다. 도 13 의 화면에는, 세부 고장 정보 레이어가 활성화되며, 해당 레이어에서 선택한 코드의 고장 내역, 고장 유형, 조치 내용을 확인할 수 있다. 또한, 고장 원인 추정 레이어가 활성화되며, 해당 레이어에서 선택한 코드의 추정정보인 고장현상, 유형, 원인, 조치 및 발생확률에 대해 확인할 수 있다. 도 13 에서는, 예시적으로 7호선 641 고장코드에 대한 정보로, 해당 고장이 역전기로 인한 운전모드 무효이며 고장 유형은 신호장치에 대한 고장임이 도시되었다.
다음은 csv 파일 변환을 위한 동작 순서를 사용자 인터페이스 화면을 토대로 설명한다.
csv 파일 변환 작업은 Transform 탭을 선택하여 진행하며, 사용자가 변환할 oper 파일에 해당하는 호선을 선택 후 변환할 파일과 변환 후 csv 파일을 저장할 경로를 선택하는 과정으로 진행한다.
도 14 는 Transform 첫 화면이며, 프로그램 실행 후 사용자가 Transform 탭을 선택한 화면이다. 해당 화면은 사용자가 변환할 라인을 7호선으로 선택한 예시이다.
도 15 는 oper 파일 선택 화면이며, 사용자가 선택 파일 우측의 변경 버튼을 누른 뒤의 화면이다. 해당 화면에서 사용자가 csv 파일로 변환을 원하는 raw oper 파일을 선택 가능하며, 저장 위치를 지정하는 화면도 저장 위치 우측의 변경 버튼을 눌러 변경 가능하다.
도 16 은 경로 지정 화면이며, 파일 선택 및 저장 위치의 지정이 완료된 상태의 화면이다. 도 16 의 경로 지정 화면에서는 변경 버튼을 눌러 생성할 파일의 이름을 변경 가능하고, 해당 상태에서 사용자가 생성 버튼을 눌러 변환 작업 진행 가능하다. 도 16 의 화면은 7호선의 oper 파일을 선택하여 작업을 진행하는 화면이 예시적으로 도시되었다.
도 17 은 csv 파일 생성 진행 화면이며, 사용자가 생성 버튼을 눌러 변환을 프로그램이 변환을 진행중인 화면이다. 도 17 의 화면에서는 진행 상태를 progress bar 및 % 단위로 표시하며 사용자가 확인 가능하다.
도 18 은 csv 파일 생성 완료 후 화면이다. 도 18 의 화면에서는 진행 상태 progress bar가 꽉 찼으며 100%의 진행률이 표기된 것을 확인할 수 있으며, 해당 화면에서 선택한 경로의 폴더에 oper.csv 파일이 생성됨을 알 수 있다.
다음으로, 본 발명의 일 실시예에 따른 기계학습 모델을 기반으로 운행기록파일 내 모든 속성을 이용하여 잔여유효수명을 예측한 결과에 대한 검증 결과를 설명한다. 예측 가능 시간은 24시간, 72시간, 고장발생 간 최대 시간 간격(이하, Max Time Interval, MTI)으로 진행된다. 이 중 MTI는 모든 고장발생 간격 중 가장 높은 값을 사용한다.
이와 같이, 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 장치 및 방법은 열차운행기록파일과 고장기록파일의 속성과 잔여유효수명(Remaining Useful Life;RUL) 간의 관계를 기계학습 모델을 통해 학습하고, 이 기계학습 모델을 토대로 새롭게 측정된 속성에 대한 잔여유효수명을 예측한다.
또한, 본 발명의 일 실시예에 따른 열차의 잔여유효수명 예측 장치 및 방법은 기계학습 모델을 토대로 열차의 잔여유효수명을 측정하여 열차의 운행 및 고장 관리를 체계적이고 효과적으로 수행할 수 있다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.
10: 학습 데이터 생성부 11: 데이터 수집부
12: 데이터 전처리부 13: 데이터 필터링부
14: 잔여유효수명 검출부 20: 잔여유효수명 예측부

Claims (14)

  1. 열차운행기록파일과 열차 운행시 발생되는 고장에 대한 고장기록파일을 이용하여 기 설정된 시간 단위로 학습용 잔여유효수명을 생성하는 학습 데이터 생성부; 및
    상기 열차운행기록파일과 상기 고장기록파일 내 데이터와 상기 학습 데이터 생성부에 의해 생성된 학습용 잔여유효수명을 토대로, 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 잔여유효수명 예측부를 포함하는 열차의 잔여유효수명 예측 장치.
  2. 제 1 항에 있어서, 상기 학습 데이터 생성부는
    TCMS(Train Control and Monitoring System)로부터 상기 열차운행기록파일과 상기 고장기록파일을 수집하는 데이터 수집부;
    상기 열차운행기록파일과 상기 고장기록파일의 데이터를 판독 가능한 형태의 데이터로 변환하는 데이터 전처리부;
    상기 전처리부에 의해 전처리된 상기 열차운행기록파일과 상기 고장기록파일의 데이터에서 실제 운용되지 않는 데이터를 제거하는 데이터 필터링부; 및
    상기 데이터 필터링부에 의해 필터링된 상기 열차운행기록파일과 상기 고장기록파일의 데이터를 이용하여 상기 학습용 잔여유효수명을 검출하는 잔여유효수명 검출부를 포함하는 것을 특징으로 하는 열차의 잔여유효수명 예측 장치.
  3. 제 2 항에 있어서, 상기 잔여유효수명 검출부는
    상기 열차운행기록파일과 상기 고장기록파일의 고장 발생 시간 및 고장 간격에 대한 정보를 이용하여 상기 학습용 잔여유효수명을 생성하는 것을 특징으로 하는 열차의 잔여유효수명 예측 장치.
  4. 제 1 항에 있어서, 상기 잔여유효수명 예측부는
    기 설정된 시간 단위별로 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 훈련용 데이터와 상기 학습 데이터 생성부에 의해 생성된 상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 통해 학습하는 것을 특징으로 하는 열차의 잔여유효수명 예측 장치.
  5. 제 4 항에 있어서, 상기 잔여유효수명 예측부는
    상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 학습한 후, 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 테스트용 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 하는 열차의 잔여유효수명 예측 장치.
  6. 제 5 항에 있어서, 상기 잔여유효수명 예측부는
    상기 기계학습 모델의 상기 학습에서 얻은 가중치를 이용하여 테스트 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 하는 열차의 잔여유효수명 예측 장치.
  7. 제 5 항에 있어서, 상기 잔여유효수명 예측부는
    상기 훈련용 테이터와 상기 테스트용 데이터를 기 설정된 설정범위로 구분하고, 상기 훈련용 데이터와 상기 테스트용 데이터의 평균과 단위분산을 '0'으로 변환하여 상기 기계학습 모델을 구축하여 상기 기계학습 모델의 수렴 속도를 증가시키는 것을 특징으로 하는 열차의 잔여유효수명 예측 장치.
  8. 학습 데이터 생성부가 열차운행기록파일과 열차 운행시 발생되는 고장에 대한 고장기록파일을 이용하여 기 설정된 시간 단위로 학습용 잔여유효수명을 생성하는 단계; 및
    잔여유효수명 예측부가 상기 열차운행기록파일과 상기 고장기록파일 내 데이터의 데이터와 상기 학습 데이터 생성부에 의해 생성된 학습용 잔여유효수명을 토대로, 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계를 포함하는 열차의 잔여유효수명 예측 방법.
  9. 제 8 항에 있어서, 상기 학습용 잔여유효수명을 생성하는 단계는
    TCMS(Train Control and Monitoring System)로부터 상기 열차운행기록파일과 상기 고장기록파일을 수집하는 단계;
    상기 열차운행기록파일과 상기 고장기록파일의 데이터를 판독 가능한 형태의 데이터로 전처리하는 단계;
    상기 열차운행기록파일과 상기 고장기록파일의 데이터에서 실제 운용되지 않는 데이터를 제거하는 단계; 및
    상기 열차운행기록파일과 상기 고장기록파일의 데이터를 이용하여 상기 학습용 잔여유효수명을 검출하는 단계를 포함하는 것을 특징으로 하는 열차의 잔여유효수명 예측 방법.
  10. 제 9 항에 있어서, 상기 학습용 잔여유효수명을 검출하는 단계는,
    상기 열차운행기록파일과 상기 고장기록파일의 고장 발생 시간 및 고장 간격에 대한 정보를 이용하여 상기 학습용 잔여유효수명을 생성하는 것을 특징으로 하는 열차의 잔여유효수명 예측 방법.
  11. 제 8 항에 있어서, 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는,
    기 설정된 시간 단위별로 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 훈련용 데이터와, 상기 학습 데이터 생성부에 의해 생성된 상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 통해 학습하는 것을 특징으로 하는 열차의 잔여유효수명 예측 방법.
  12. 제 11 항에 있어서, 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는,
    상기 학습용 잔여유효수명 간의 관계를 상기 기계학습 모델을 학습한 후, 상기 열차운행기록파일과 상기 고장기록파일 내 열차 시스템의 테스트용 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 하는 열차의 잔여유효수명 예측 방법.
  13. 제 12 항에 있어서, 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는,
    상기 기계학습 모델의 상기 학습에서 얻은 가중치를 이용하여 테스트 데이터를 입력으로 하여 상기 기계학습 모델을 테스트하는 것을 특징으로 하는 열차의 잔여유효수명 예측 방법.
  14. 제 12 항에 있어서, 상기 새롭게 측정된 데이터에 대한 잔여유효수명을 기계학습 모델을 통해 예측하는 단계는,
    상기 훈련용 데이터와 상기 테스트용 데이터를 기 설정된 설정범위로 구분하고, 상기 훈련용 데이터와 상기 테스트용 데이터의 평균과 단위분산을 '0'으로 변환하여 상기 기계학습 모델을 구축하여 상기 기계학습 모델의 수렴 속도를 증가시키는 것을 특징으로 하는 열차의 잔여유효수명 예측 방법.
KR1020210038870A 2021-03-25 2021-03-25 열차의 잔여유효수명 예측 장치 및 방법 KR102515216B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210038870A KR102515216B1 (ko) 2021-03-25 2021-03-25 열차의 잔여유효수명 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210038870A KR102515216B1 (ko) 2021-03-25 2021-03-25 열차의 잔여유효수명 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220133579A true KR20220133579A (ko) 2022-10-05
KR102515216B1 KR102515216B1 (ko) 2023-03-29

Family

ID=83596552

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210038870A KR102515216B1 (ko) 2021-03-25 2021-03-25 열차의 잔여유효수명 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102515216B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102503558B1 (ko) * 2022-10-26 2023-02-28 인터콘시스템스 주식회사 이력 무결성 시스템이 구비된 열차제어장치
CN116579677A (zh) * 2023-06-01 2023-08-11 中国铁道科学研究院集团有限公司通信信号研究所 一种高速铁路电务车载设备全生命周期管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190091868A (ko) * 2018-01-29 2019-08-07 한국전자통신연구원 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법
KR20190113114A (ko) * 2018-03-27 2019-10-08 경상대학교산학협력단 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
KR20200137085A (ko) * 2019-05-28 2020-12-09 한국철도기술연구원 전동차의 전기식 출입문 고장예측 장치
KR102229638B1 (ko) * 2019-10-31 2021-03-18 한국철도기술연구원 고장 예측 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190091868A (ko) * 2018-01-29 2019-08-07 한국전자통신연구원 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법
KR20190113114A (ko) * 2018-03-27 2019-10-08 경상대학교산학협력단 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
KR20200137085A (ko) * 2019-05-28 2020-12-09 한국철도기술연구원 전동차의 전기식 출입문 고장예측 장치
KR102229638B1 (ko) * 2019-10-31 2021-03-18 한국철도기술연구원 고장 예측 장치 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102503558B1 (ko) * 2022-10-26 2023-02-28 인터콘시스템스 주식회사 이력 무결성 시스템이 구비된 열차제어장치
CN116579677A (zh) * 2023-06-01 2023-08-11 中国铁道科学研究院集团有限公司通信信号研究所 一种高速铁路电务车载设备全生命周期管理方法及系统
CN116579677B (zh) * 2023-06-01 2023-11-21 中国铁道科学研究院集团有限公司通信信号研究所 一种高速铁路电务车载设备全生命周期管理方法及系统

Also Published As

Publication number Publication date
KR102515216B1 (ko) 2023-03-29

Similar Documents

Publication Publication Date Title
KR100266928B1 (ko) 병렬처리 정성추론시스템
US10852357B2 (en) System and method for UPS battery monitoring and data analysis
KR102515216B1 (ko) 열차의 잔여유효수명 예측 장치 및 방법
JP5140722B2 (ja) 間欠的故障を判断する方法及びプログラム、並びに現実世界のシステムをトラブルシュートする方法
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP3651693B2 (ja) プラント監視診断装置および方法
EP2458178B2 (en) Turbine performance diagnositic system and methods
CN112083244A (zh) 综合化航空电子设备故障智能诊断系统
CN111627199A (zh) 一种水电站大坝安全监测系统及监测方法
CN103218277A (zh) 服务器环境的自动检测方法与装置
US8359577B2 (en) Software health management testbed
JP2016080585A (ja) プラント状態解析装置
KR100987124B1 (ko) 메트릭을 이용한 소프트웨어 결함 예측 계산 장치 및 계산 방법
CN113168739B (zh) 用于检查至少一台车辆的方法以及电子计算装置
WO2020189245A1 (ja) 故障予兆検知システム及び故障予兆検知方法
Isong et al. Supplementing Object-Oriented software change impact analysis with fault-proneness prediction
CN113988188A (zh) 故障诊断方法、装置、电子设备及存储介质
KR101810648B1 (ko) 모바일 어플리케이션의 사용성 저해 요소 분석 장치 및 방법
KR102484041B1 (ko) 시스템 레벨 상태 예측 장치 및 방법
RU2799489C1 (ru) Способ определения технического состояния электрических и гидравлических приводов
CN116628564B (zh) 用于检测发电机状态的模型训练方法和系统
CN112241511B (zh) 交通工具辅助电气系统的性能检测方法及装置、终端
CN113361823B (zh) 一种基于预测数据的燃料电池故障预测方法及系统
WO2024014061A1 (ja) 遮断器モデル生成システム、遮断器モデル生成装置及び遮断器モデル生成方法
CN118052255A (zh) 首次预测时间确定方法、装置、设备和存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant